基于故障风险标尺的复杂装备健康状态分类模型
发布时间：2021-03-04 17:54
针对复杂装备故障呈现出多重性、相关性及模糊性的特点,本文分析了装备健康状态演化规律,利用自适应模糊神经网络、故障模式、影响及危害性分析构建故障风险标尺,实现了对复杂装备故障风险程度的定量化描述及装备健康状态的分类。通过实验分析,本文提出的模型相比于传统的故障预测以及故障风险程度定量方法具有显著优势,实现了对装备从设计生产、部署使用以及退役报废全寿命周期的动态反馈,对提高复杂装备综合保障能力具有重要意义。
【文章来源】：系统工程与电子技术. 2020,42(02)北大核心
【文章页数】：8 页
【部分图文】：
装备故障率服从正态分布三维示意图
自适应模糊神经网络（adaptive fuzzy neural network,AFNN）是将神经网络的自学习能力与模糊系统相结合，以神经网络分布式结构表示模糊系统的模糊化处理、模糊推理以及精确化计算，从而实现模糊系统自组织、自学习的混合型神经网络。由于AFNN有较强的自适应、鲁棒性以及容错性，已经广泛应用于故障预测领域[21-22]，其结构如图2所示。(1）输入层：本层为输入层，共有n个输入节点，每个节点均代表一个输入变量，该层的输出为
DL-AFNN部分输出结果截图
【参考文献】：
期刊论文
[1]Modeling of Energy Consumption and Effluent Quality Using Density Peaks-based Adaptive Fuzzy Neural Network[J]. Junfei Qiao,Hongbiao Zhou. IEEE/CAA Journal of Automatica Sinica. 2018(05)
[2]基于HSGT的装备健康状态评估技术[J]. 谭晓栋,邱静,罗建禄,李庆,吕克洪. 振动.测试与诊断. 2017(05)
[3]Test selection and optimization for PHM based on failure evolution mechanism model[J]. Jing Qiu,Xiaodong Tan,Guanjun Liu,Kehong L. Journal of Systems Engineering and Electronics. 2013(05)
[4]基于测试数据的长期贮存装备实时健康状态评估[J]. 王亮,吕卫民,滕克难. 系统工程与电子技术. 2013(06)
本文编号：3063640
【文章来源】：系统工程与电子技术. 2020,42(02)北大核心
【文章页数】：8 页
【部分图文】：
装备故障率服从正态分布三维示意图
自适应模糊神经网络（adaptive fuzzy neural network,AFNN）是将神经网络的自学习能力与模糊系统相结合，以神经网络分布式结构表示模糊系统的模糊化处理、模糊推理以及精确化计算，从而实现模糊系统自组织、自学习的混合型神经网络。由于AFNN有较强的自适应、鲁棒性以及容错性，已经广泛应用于故障预测领域[21-22]，其结构如图2所示。(1）输入层：本层为输入层，共有n个输入节点，每个节点均代表一个输入变量，该层的输出为
DL-AFNN部分输出结果截图
【参考文献】：
期刊论文
[1]Modeling of Energy Consumption and Effluent Quality Using Density Peaks-based Adaptive Fuzzy Neural Network[J]. Junfei Qiao,Hongbiao Zhou. IEEE/CAA Journal of Automatica Sinica. 2018(05)
[2]基于HSGT的装备健康状态评估技术[J]. 谭晓栋,邱静,罗建禄,李庆,吕克洪. 振动.测试与诊断. 2017(05)
[3]Test selection and optimization for PHM based on failure evolution mechanism model[J]. Jing Qiu,Xiaodong Tan,Guanjun Liu,Kehong L. Journal of Systems Engineering and Electronics. 2013(05)
[4]基于测试数据的长期贮存装备实时健康状态评估[J]. 王亮,吕卫民,滕克难. 系统工程与电子技术. 2013(06)
本文编号：3063640
本文链接：https://www.wllwen.com/kejilunwen/jingguansheji/3063640.html
